关键词： 知识蒸馏   遥感   轻量级目标检测  

摘要： 近年来,深度模型在大规模应用方面取得巨大成功,但计算复杂度和存储需求等问题使它们在资源有限的设备上难以部署。知识蒸馏(KD)是一种压缩模型的方法,然而现有方法未考虑遥感数据集的特点。具体来说,在遥感数据集中由于背景复杂,图像中目标物体较小,直接应用现有的知识蒸馏方法时会出现大量噪声,影响训练性能。因此提出了自适应分离知识蒸馏(ASKD)方法。ASKD允许学生模型自动选择多尺度核心特征,减少噪声,同时通过分离全局和局部特征,有效抑制背景干扰。在LEVIR和SSDD数据集上,ASKD在单阶段和双阶段检测器上都取得了出色性能。例如,基于ResNet-18的Faster RCNN,ASKD在SSDD上实现了59.2%的mAP,比基线模型高出2.0个百分点,甚至胜过教师模型。

关键词： 深度学习   单幅图像去雾   图像处理  

摘要： 恶劣天气环境下拍摄的图像会受到雾或霾的影响,从而导致图像饱和度过低模糊、以及颜色灰白等负面效果,这不仅会使图像中的重要信息丢失,还会对后续计算机视觉任务(如目标检测、图像分割、人员再识别)的研究造成负面影响。为了解决上述问题,文章首先对图像去雾的发展历程进行分析和梳理,接下来重点论述了深度学习在图像去雾领域的研究进展,主要包含有监督去雾、无监督去雾和半监督去雾技术,并对各自的代表性算法进行深入对比分析。最后,介绍了图像去雾领域主流的数据集和评估指标。Images captured in harsh weather environments are often affected by fog or haze, which can lead to negative effects such as low saturation, blurring, and grayish-white colors. This not only results in the loss of important information in the image, but also has a negative impact on subsequent computer vision tasks such as object detection, image segmentation, and personnel re-identification. This article first provides a comprehensive analysis and sorting of image defogging and then reviews the research progress of deep learning in the field of image defogging, mainly including supervised defogging, unsupervised defogging, and semi-supervised defogging. We compared and analyzed representative algorithms among these methods. Finally, the commonly used datasets and evaluation metrics for image defogging were introduced.

关键词： 目标检测   棉叶病虫害   主干网络   损失函数   注意力机制  

摘要： 棉叶病虫害是影响棉花产量的关键性因素,为解决传统人工棉叶病虫害识别准确率低的问题,提出一种基于YOLO v5s的改进模型来实现真实环境下的棉叶病虫害精确识别,该模型将YOLO v5模型的原主干网络改进为一种新的纯轻量级卷积网络架构RepViT,它与YOLO v5原有的主干网络CSPNet相比不但参数更少且具有更高的平均精度均值;再使用一种基于MPDIoU的边界框回归损失函数MLPDIoU来减小背景损失在置信损失中的占比,使得模型收敛更快速,模型训练更加充分,提高本模型在复杂背景下的目标检测精度;最后针对棉叶病虫害检测时存在的叶片背景复杂、病虫害叶片与健康叶片高度相似、同一张图像可能出现数种不同病虫害叶片的问题,在SPPF层之前添加ECA注意力机制,使本模型能更好的提取病虫害叶片的特征,减少背景的干扰。通过以上改进,该模型在真实环境下对棉叶病虫害检测的准确率达到了91.4%,均值平均精度达到85.8%,相较于SSD、YOLO v3、YOLO v4、YOLO v5等传统模型,准确率分别提高了6.3、2.7、7.5、3.4百分点,平均均值精度分别提高了4.0、5.2、4.6、4.8百分点,可以有效识别出各种棉叶病虫害,为棉花种植户进行参考。

关键词： 遮挡场景   无人机集群   多对地目标跟踪   伸缩系数   视频序列  

摘要： 为了确保目标在被遮挡场景下依旧可以稳定、准确得知目标的位置和状态,提出了遮挡场景下无人机集群多对地目标跟踪算法。通过负反馈控制器令无人机传感器的视线对准目标,消除方位角与俯仰角位置误差。结合前一帧中心加权数值,确定局部搜索区域并设置内插特征,得到目标连续域多信道特征。利用核相关滤波器求解最大响应位置和伸缩系数,更新分类器系数,完成无人机集群多对地目标跟踪。通过实验,证明所提算法能够实现在遮挡场景下无人机集群多对地目标跟踪,可及时更新目标的位置和状态信息,提高跟踪的准确性和效率。

关键词： 智能化造纸   图像处理技术   纸张功能信息   智能化识别  

摘要： 纸张功能信息识别系统可以帮助相关人员快速掌握纸张的各类型功能信息,从而对纸张进行质量检测、库存管理、产品分类等。为提升当前主流纸张功能信息识别工作的效率,基于数字化图像处理技术开发了一种纸张功能信息识别系统,该系统硬件部分包含多模态传感单元、边缘计算终端、人机交互单元等;软件部分包含数据采集层、智能分析层、业务应用层等。系统通过纸张送入、数据采集、边缘计算等步骤可以实现对纸张功能信息的识别。

关键词： 飞行目标   目标跟踪   核相关滤波算法   尺度变化   视角变化   YOLOv5l  

摘要： 在飞机等飞行目标的尺度以及视角发生变化时,核相关滤波(KCF)算法由于跟踪边框固定和滤波器准确性较低而易导致目标跟踪丢失。针对这一问题,在KCF算法基础上增加一种模型更新策略以提高模型准确性,并适时利用YOLOv5l检测网络实现对目标尺度的精确估计。在构建的飞机目标数据集上进行了实验验证,结果表明:相比原算法改进KCF算法在精确度和成功率上分别提升了0.315和0.285,在目标尺度及视角发生变化时具有较强的跟踪性能。

关键词： 电弧熄灭监测   计算机视觉   深度学习   图像处理   高压直流继电器  

摘要： 高压直流继电器的电弧熄灭监测对电力设备稳定运行意义重大,传统监测方法存在精度低、实时性差、适应性弱等问题。文章提出基于计算机视觉与深度学习的监测算法,经图像处理提取电弧特征,结合卷积神经网络(Convolutional Neural Networks,CNN)与深度学习模型,可实现电弧熄灭精确识别。实验验证,优化算法在不同环境下精度高、响应快,能有效提升高压直流继电器故障诊断能力,保障系统安全可靠。

关键词： 茶叶病害检测   目标检测   通道注意力   空间注意力   特征融合  

摘要： 准确、快速检测茶叶病害对茶叶产业经济意义重大。然而,病害叶片尺度变化、相互遮挡、复杂背景等问题大大降低了检测精度。提出了一种融合通道和空间注意力的茶叶病害目标检测方法,以实现准确、高效的病害检测。首先,利用多层的自注意力机制提取茶叶病害的多尺度特征,以获取茶叶图像在不同尺度下的局部细节特征;其次,引入新的通道注意力模块以提取更丰富的通道信息,同时抑制复杂背景噪声并增强模型特征表示能力。此外,设计一种新的空间注意力模块进一步提取特征的空间关系、减少冗余信息并优化计算开销。实验结果表明,融合通道和空间注意力的茶叶病害检测方法能应对叶片的尺度变化、相互遮挡和背景复杂等挑战。

关键词： 遥感图像   目标检测   上下文感知   特征融合  

摘要： 针对遥感图像目标检测过程中,目标背景区域复杂、小目标特征信息过少等因素造成漏检和检测精度不高的问题,提出一种基于上下文感知与稀疏特征融合的遥感图像检测方法。首先,设计了一种上下文感知单元,在特征提取过程中挖掘空间方向的上下文特征信息,增强对小目标特征的捕获能力。其次,提出一种稀疏特征融合策略,通过学习稀疏表示,引导网络中的浅层特征与深层特征进行更有效的特征融合。最后,在网络颈部引入Slim-Neck设计范式减轻网络模型复杂度。实验结果表明,在NWPU VHR-10和DIOR遥感数据集上,所提方法的计算量和参数量分别比YOLOv8s降低3.1%和6.3%,检测精度分别提升1.6百分点和2.6百分点。与当前主流的6种检测方法相比,所提方法表现更好。

关键词： 通道注意力   降维   并行池化   多特征融合增强   自适应   目标检测  

摘要： 针对通道注意力降维时导致细节信息损失和特征融合不充分的问题,提出一种并行池化注意力及多特征融合增强方法。首先,对输入图像使用两种池化模块并行处理,实现特征注意力增强。其中:熵引导池化模块利用通道信息熵生成特征权重系数,加强边缘纹理等细节信息;方向感知池化模块捕获图像在垂直和水平方向上的空间方向信息,再计算通道均值实现逐步降维保留关键特征。其次,多特征融合增强模块利用特征图尺度的对数函数自适应选取卷积核的大小,再将卷积后的特征分组重塑为与输入图像维度相同的通道、高度和宽度方向上的三个特征子图,并进行元素相乘获得增强特征图。最后,增强特征图与输入图像加权融合,同时增强目标的位置和细节信息。实验结果表明,文中方法在参数量不变的情况下,在VOC2007数据集上,mAP@0.5较YOLOX和YOLOv7分别提升4.62%、4.46%,在COCO数据集上,mAP@0.5较YOLOX和YOLOv7分别提升4.57%、4.63%。